Một thẻ tiêu đề được tạo ghi 'Qwen4-Max so với Qwen4 27B' với dòng phụ đề 'Một trong số này có bảng giá. Cái còn lại chỉ được nhắc trên sân khấu.', trên ba thẻ: Qwen4-Max với ngữ cảnh 1M, $1.50 / $4.50 mỗi 1M và Chỉ số AA 43; Qwen4 27B không có trọng số, không có thẻ mô hình và không có giá; Qwen3.8-27B ở mức $0.33 / $2.40 mỗi 1M, ngữ cảnh 256K và Chỉ số AA 20. Phần chân trang ghi 'Số liệu Qwen4-Max theo Alibaba và Artificial Analysis; Qwen4 27B không có thông số kỹ thuật được công bố tính đến ngày 16 tháng 11 năm 2026.'
Guides & Insights

Qwen4-Max vs Qwen4 27B: Chênh lệch giá gấp 4,5 lần và một mô hình bạn không thể tải xuống

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Câu hỏi thú vị về Qwen4-Max không phải là liệu nó có tốt hay không. Mà là liệu bạn có nên trả 1,50 đô la và 4,50 đô la cho mỗi triệu token cho một mô hình suy nghĩ theo từng đợt 262.144 token trong khi một người anh em 27 tỷ tham số — Qwen4 27B — được cho là sẽ làm phần lớn công việc tương tự trên phần cứng bạn sở hữu hay không. Vấn đề là Qwen4 27B vẫn chưa tồn tại dưới dạng thứ bạn có thể chạy. Alibaba đã trình diễn nó trên sân khấu tại Hội nghị Apsara vào ngày 22 tháng 9 năm 2026 cùng với Qwen 4 Max, Qwen 4 Flash và Qwen 4 Plus, và kể từ đó chưa công bố model card, trọng số, độ dài ngữ cảnh, giá hay điểm chuẩn nào cho nó. Ngược lại, Qwen4-Max đã được tính phí theo mức sử dụng từ ngày 16 tháng 11 với cửa sổ 1.000.000 token và Chỉ số Thông minh Artificial Analysis là 43. Vì vậy, phiên bản hữu ích của phép so sánh này đặt mô hình hàng đầu mà bạn có thể gọi đối chiếu với mô hình nhỏ mà bạn không thể chạy, và trả lời câu hỏi thực sự quyết định ngân sách: khoản chênh lệch giá token gấp 4,5 lần mua được gì, và Qwen4 27B sẽ phải làm gì để xứng đáng với vị trí của nó.

Hai thẻ giá, một trong số đó có ghi các con số

Bắt đầu với những gì được ghi lại. Mọi thứ trong phần này là số liệu đã được công bố; không có gì được suy ra.

• Qwen4-Max, Singapore — $1,50 mỗi triệu token đầu vào, $4,50 đầu ra, đồng giá trên toàn bộ cửa sổ 1.000.000 token. Đọc bộ nhớ đệm $0,075 mỗi triệu, ghi năm phút $1,875, ghi một giờ $3,00.

• Qwen4-Max, các khu vực khác — $1.413 và $4.24 tại Frankfurt, Virginia, Tokyo, Hồng Kông và Bắc Kinh, giảm giá 5,8% trên thẻ Singapore cho các hạn mức giống hệt.

• Qwen4-Max, độc lập — AA Index 43 với chi phí do bên đánh giá tính là $3.27 cho mỗi tác vụ chỉ mục, giá pha trộn $0.80 mỗi triệu token, 127M token đầu ra trong toàn bộ lượt chạy.

• Qwen4 27B — không có giá. Không phải “chưa công bố”; cụ thể là, không có dòng nào tồn tại ở bất kỳ đâu vì không có mô hình nào tồn tại để gắn một mức giá vào.

Thứ gần nhất với một {{1}}Q​wen{{/1}} nhỏ mà bạn có thể chạy hôm nay là Qwen3.8-27B, mô hình đa phương thức dense Apache-2.0 của thế hệ trước. {{2}}A​libaba{{/2}} niêm yết nó ở mức $0.50 và $3.00 mỗi triệu trên API riêng của mình; chúng tôi tự lưu trữ các trọng số và tính $0.33 và $2.40, vì trọng số mở không có chi phí nhà cung cấp theo token để phải chuyển tiếp. Artificial Analysis cho nó 20 điểm trên cùng chỉ số — thấp hơn Qwen4-Max hai mươi ba điểm, và đó là toàn bộ lập luận gói gọn trong một con số.

{{1}}Vậy nên tỷ lệ trung thực không được đo với một thứ hư ảo. Đó là gấp 4,5 lần ở đầu vào và 1,9 lần ở đầu ra khi bạn so sánh Qwen4-Max với mô hình 27B cuối cùng thực sự đã được phát hành — và hai mươi ba điểm chỉ số năng lực cho phần chênh lệch. Việc đó có phải là một món hời hay không phụ thuộc hoàn toàn vào việc khối lượng công việc của bạn dùng token vào đâu, một câu hỏi về các dấu vết của bạn chứ không phải về bất kỳ nhà cung cấp nào.{{/1}}

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

Điều mà một mô hình 27B làm được mà một mẫu flagship 2,4 nghìn tỷ tham số không thể

Ba điều, và không điều nào trong số đó là chất lượng.

Cái đầu tiên là một hóa đơn cố định. Một mô hình chủ lực chạy trên dịch vụ lưu trữ là chi phí biến đổi, tăng theo lưu lượng và theo mức độ dài dòng của mô hình vào ngày hôm đó; một mô hình mở 27B trên phần cứng của riêng bạn là chi phí vốn và một lịch khấu hao. Ở mức $0.33 và $2.40 mỗi triệu, một nhóm chi $3.000 một tháng cho mô hình chủ lực đang chi khoảng $700 cho mô hình nhỏ với cùng khối lượng token — và ngay khi khối lượng đó tăng gấp đôi, một trong hai con số đó thay đổi còn con số kia thì không.

Điều thứ hai là độ trễ mà bạn kiểm soát. Một mô hình dense 27B trên một node duy nhất trả lời theo một dạng mà bạn có thể dự đoán, vì không có hàng đợi nào phía sau nó và không có ngân sách suy nghĩ tầm xa mà bạn không yêu cầu. Qwen4-Max mặc định dùng reasoning_effort: high với ngân sách suy nghĩ 131.072 token, và một yêu cầu không đặt gì đã dự trữ dư địa đầu ra nhiều hơn hầu hết công việc sẽ dùng. Mặc định đó đúng cho một mô hình flagship nhưng sai cho một bộ phân loại, một router, hoặc hàng nghìn quyết định nhỏ mà một agent đưa ra giữa những quyết định thú vị.

Thứ ba là giấy phép. Trọng số Apache-2.0 có nghĩa là mô hình có thể được lượng tử hóa, tinh chỉnh, nhúng vào một sản phẩm mà bạn đưa ra thị trường và chạy trong một khu vực pháp lý nơi API không khả dụng. Qwen4-Max là độc quyền, được cung cấp từ sáu khu vực và chỉ trả về văn bản — không có trọng số, không tinh chỉnh, không triển khai tại chỗ. Tài liệu của A​libaba cho biết việc tinh chỉnh và triển khai mô hình không được hỗ trợ cho nó ở bất kỳ đâu.

Điều mà một mô hình 27B không thể mua được chính là thứ mà Qwen4-Max được tạo ra để làm. Phần xương sống 2,4 nghìn tỷ tham số với 71 tỷ tham số hoạt động, 328 tỷ tham số embedding N-gram, các lớp Gated DeltaNet nén lịch sử thành trạng thái cố định cho từng lớp Qwen Sparse Attention — không phần kiến trúc nào trong số đó chuyển xuống được cho một mô hình dense 27B, và cửa sổ 1.000.000 token cũng vậy. Cách chính nhà cung cấp mô tả dòng sản phẩm này là các mô hình nhỏ hơn được “tinh chỉnh cho những gì mô hình nhỏ làm tốt nhất,” một cách nói khéo léo rằng chúng không phải cùng một sản phẩm.

Điều duy nhất Alibaba đã nói về Qwen4 27B, và nó đáng giá bao nhiêu

Trong bài đăng ra mắt Qwen4-Max ngày 16 tháng 11, đoạn kết có nội dung: "Và Max chỉ là cái nhìn đầu tiên về Qwen4. Các mô hình nhỏ hơn trong dòng sản phẩm sẽ sớm được mở mã nguồn, được xây dựng trên cùng dòng phát triển và huấn luyện bằng cùng thế hệ kỹ thuật, được tinh chỉnh cho những gì các mô hình nhỏ làm tốt nhất."

Đó là tuyên bố mới nhất và cụ thể nhất hiện có về phân khúc 27B, và nó có giá trị đúng như những gì nó nói — tức là ít hơn vẻ ngoài của nó. “Sắp lên mã nguồn mở” là một cam kết về giấy phép, không phải một ngày cụ thể. “Cùng dòng dõi” là một khẳng định về sự kế thừa kiến trúc, không phải về một checkpoint đã phát hành. Và câu đó hoàn toàn không nêu tên 27B; tên phân khúc đến từ thông báo trên sân khấu vào tháng Chín, nơi trưởng nhóm LLM của Qwen trình diễn bốn mô hình và chỉ nói rằng dòng mô hình này sẽ ra mắt sớm. Giữa hai tuyên bố là khoảng cách hai tháng với bốn phân khúc được hứa hẹn, một phân khúc đã được giao, và phân khúc trọng số mở — vốn theo lịch sử là phân khúc được phát hành trước dưới dạng trọng số có thể tải xuống — vẫn còn vắng mặt.

Điều khiến trang này trở nên lỗi thời có thể kiểm tra ở ba nơi, và cả ba đều là những nơi đã báo hiệu mọi bản phát hành Qwen. Một kho lưu trữ trong tổ chức Qwen trên Hugging Face mang tên Qwen4; các kho lưu trữ mô hình mới nhất của tổ chức hiện nay đều là Qwen3.8, được cập nhật lần cuối vào đầu tháng 11. Một thẻ mô hình trên qwen.ai nêu tên hạng kèm độ dài ngữ cảnh và giấy phép. Hoặc một dòng giá cho một mô hình 27B được lưu trữ, điều đó sẽ cho bạn biết Alibaba đánh giá hạng này đáng giá bao nhiêu trước khi các trọng số ra mắt. Cho đến khi một trong những thứ đó thay đổi, mọi số lượng tham số, cửa sổ ngữ cảnh hoặc điểm số mà bạn đọc được về Qwen4 27B đều là ngoại suy từ Qwen3.8-27B và nên được ghi nhãn như vậy.

Ví dụ minh họa: cùng một vòng lặp agent trên cả hai card

Hãy lấy một tác nhân tự động hóa hỗ trợ: lời nhắc hệ thống và lược đồ công cụ 40.000 token, một cuộc hội thoại 6.000 token, tám lệnh gọi công cụ mỗi phiếu hỗ trợ, 900 token đầu ra mỗi lệnh gọi, không có chế độ suy nghĩ, 20.000 phiếu hỗ trợ mỗi tháng. Lưu bộ nhớ đệm phần tiền tố. Đây là phép tính trên giá niêm yết đã công bố.

• Qwen4-Max, Singapore, không dùng bộ nhớ đệm — 46.000 token đầu vào mỗi lần gọi với $1,50 mỗi triệu token là $0,069; tám lần gọi là $0,552 mỗi phiếu. Đầu ra ở 900 token và $4,50 mỗi triệu token là $0,00405 mỗi lần gọi, $0,0324 mỗi phiếu. $0,584 mỗi phiếu, $11.690 một tháng.

• Qwen4-Max với tiền tố được lưu trong bộ nhớ đệm — tiền tố 40.000 token được ghi một lần với giá $1,875 mỗi triệu và được đọc trong bảy lần gọi tiếp theo với giá $0,075. Mỗi ticket, tiền tố tốn $0,075 cho lần ghi cộng $0,021 cho bảy lần đọc; 6.000 token động tốn $0,072 qua tám lần gọi. Đầu vào rơi vào $0,168, đầu ra giữ nguyên $0,0324. $0,20 mỗi ticket, $4.010 một tháng — và bộ nhớ đệm đã tác động đến hóa đơn nhiều hơn bất kỳ việc đổi mô hình nào.

• Qwen3.8-27B theo mức giá tự triển khai của chúng tôi — 46.000 token đầu vào mỗi lần gọi với $0.33 mỗi triệu là $0.0152; tám lần gọi là $0.121. Đầu ra ở 900 token và $2.40 mỗi triệu là $0.00216 mỗi lần gọi, $0.0173 mỗi ticket. $0.139 mỗi ticket, $2,780 mỗi tháng.

Có hai điều rút ra. Việc cache tiền tố trên mô hình flagship tiết kiệm 66% và đưa nó vào phạm vi 1,4× giá không cache của mô hình nhỏ — khoảng cách giữa các hạng nhỏ hơn khoảng cách giữa dùng cache và không dùng cache. Và lợi thế của mô hình nhỏ là thật nhưng không mang tính đột phá ở khối lượng token này: khoảng 1.200 USD mỗi tháng trên 20.000 ticket. Nó trở nên đột phá ở khối lượng gấp mười lần, hoặc khi công việc đủ đơn giản để một mô hình 20-index là đủ, mà với định tuyến lệnh gọi công cụ và phân loại thì thường là vậy.

Nơi flagship không phải là tùy chọn

Có một nhóm công việc mà ở đó hạng 27B không phải là phương án thay thế rẻ hơn mà là phương án không khả thi, và nói rõ được điều đó chính là khác biệt giữa một so sánh hữu ích và một trang bán hàng.

• Các tác vụ ngữ cảnh dài trên 256.000 token — Qwen3.8-27B dừng ở 262.144; Qwen4-Max xử lý tới 1.000.000, với giới hạn đầu vào 991.808 token ở chế độ không suy luận. Một bản rà soát hợp đồng 400.000 token hoàn toàn không vừa với mô hình nhỏ.

• Các lần chạy tác nhân dài hạn — những tuyên bố mang tính tác nhân của A​libaba dành cho Qwen4-Max là một lần khám phá vật liệu tự động kéo dài 48 giờ trên nền tảng phòng thí nghiệm ướt và một đợt thẩm định pháp lý đối với 198 hồ sơ công tác, tạo ra một báo cáo dài 86 trang. Dù người ta nghĩ gì về các màn trình diễn của nhà cung cấp, chúng mô tả một loại nhiệm vụ mà một mô hình 20 chỉ số không thử sức.

• Đầu vào video ở độ dài lớn — Qwen4-Max nhận video và cửa sổ 1M; dòng 27B nhận video ở 262K. Phép tính về số khung hình trên giây của đoạn phim là hết sức khắt khe.

• Viết mã an toàn — Alibaba báo cáo tỷ lệ vượt qua ở cấp độ hàm của Last Secure Code Bench tăng từ 22,0% lên 31,8% giữa các thế hệ trên hạng Max, và tỷ lệ mã đồng thời an toàn ở mức độ chi tiết hàm, tệp và kho mã tăng từ 8% lên 14,7%. Đó là số liệu của nhà cung cấp và chưa được tái lập, nhưng chúng là kiểu số liệu mà một đánh giá bảo mật yêu cầu và thẻ của một mô hình nhỏ không mang theo.

Mô thức là: mẫu flagship xứng đáng với mức giá của nó ở những tác vụ dài, đa phương thức hoặc tốn kém nếu làm sai, chứ không phải ở những tác vụ có số lượng nhiều. Hầu hết hệ thống vận hành thực tế đều chứa cả hai loại, đó là lý do câu trả lời cho "cái nào" thường là "cả hai, được định tuyến".

Chạy trạng thái hỗn hợp trên một phím

OrcaRouter cung cấp dòng Qwen3.8 — Qwen3.8-Max, Qwen3.8-Flash và Qwen3.8-27B — trên một endpoint tương thích với OpenAI theo giá niêm yết của nhà cung cấp với mức tăng giá 0%, và 27B là mô hình chúng tôi chạy trên hạ tầng của chính mình từ các trọng số Apache-2.0, đó là lý do nó có giá $0.33 và $2.40 thay vì $0.50 và $3.00 của A​libaba. Nó không cung cấp Qwen4-Max: mô hình đó có thể truy cập qua Model Studio API của chính A​libaba và một số nền tảng bên thứ ba, và không nằm trong danh mục tính đến ngày 16 tháng 11.

Điều mà điều đó cho phép thực hiện ngay hôm nay chính là mô hình định tuyến mà so sánh này lập luận ủng hộ, mà không cần chờ 27B. Một API cho hơn 200 mô hình nghĩa là quyết định về bậc không còn là quyết định mua sắm: một yêu cầu nằm trong 256K và có vẻ thông thường sẽ được chuyển đến qwen/qwen3.8-27b; một yêu cầu dài, đa phương thức hoặc được gắn cờ là rủi ro cao sẽ được chuyển đến một mô hình tiên phong trên cùng khóa; DSL định tuyến diễn đạt sự phân tách đó dưới dạng một quy tắc thay vì một nhánh trong mã ứng dụng của bạn. Chuyển đổi dự phòng tự động nghĩa là bậc rẻ có thể gánh khối lượng mà không trở thành điểm lỗi đơn lẻ khi nó gặp một ngày tồi tệ, và việc giảm giá từ bất kỳ nhà cung cấp nào được áp dụng cho khóa của bạn ngay trong ngày vì giá niêm yết được chuyển qua thay vì bị tăng giá.

Model fusion là lựa chọn thứ ba trong bộ công cụ đó và là lựa chọn ít phù hợp nhất với cặp cụ thể này — một nhóm mô hình cùng trả lời tốn kém hơn so với từng mô hình riêng lẻ, và lý do để dùng nó là sự bất đồng ở các câu hỏi khó, chứ không phải khối lượng. Đáng biết là nó tồn tại; không đáng để chọn dùng cho một bộ định tuyến phiếu hỗ trợ.

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

Những việc cần làm trước khi trọng số cập bến

Nếu lý do bạn chờ Qwen4 27B là bạn muốn một mô hình mở nhỏ có thể tự chạy, thì việc chờ đợi không khiến bạn mất mát nhiều: Qwen3.8-27B dùng giấy phép Apache-2.0, có cửa sổ 256K, đọc được văn bản, hình ảnh và video, đồng thời đạt 90,3 trên LiveCodeBench v6 và 89,2 trên GPQA Diamond theo bảng công bố của chính Qwen — đây là số liệu của nhà cung cấp, và là những con số mạnh so với kích thước này. Hãy bắt đầu từ đó, đo xem mô hình 20-index ảnh hưởng thế nào đến tỷ lệ thành công tác vụ của bạn, và bạn sẽ biết trước khi checkpoint Qwen4 ra mắt liệu hạng đó có thực sự phù hợp với khối lượng công việc của bạn hay không.

Nếu lý do của bạn là chi phí, hãy lưu bộ nhớ đệm tiền tố trước. Ví dụ minh họa ở trên cho thấy mức tiết kiệm 66% trên mô hình flagship chỉ nhờ một tham số yêu cầu, lớn hơn khoảng cách giữa flagship và mô hình nhỏ trên cùng cơ sở chưa dùng bộ nhớ đệm. Các nhóm thường tìm mua một mô hình rẻ hơn khi phần đắt đỏ trong hóa đơn của họ là một tiền tố mà họ đang đọc lại với mức giá đầy đủ.

Và nếu lý do của bạn là năng lực, thì không mẫu 27B nào thay thế được. Hai mươi ba điểm chỉ số giữa Qwen3.8-27B và Qwen4-Max chính là khác biệt giữa một mô hình xử lý tốt công việc thường ngày và một mô hình có thể đảm nhận những tác vụ dài, đa phương thức, rủi ro cao — và chính ngôn từ trong lộ trình của Alibaba nói rằng các mô hình nhỏ đang được tinh chỉnh cho những gì mô hình nhỏ làm tốt nhất, tức là một lời hứa về hiệu quả chứ không phải về sự ngang bằng. Hãy xây dựng phân tách định tuyến ngay bây giờ, trên các bậc hiện có, và vào ngày một Qwen4 27B xuất hiện trên Hugging Face, đó sẽ chỉ là một mục trong danh mục và một thay đổi quy tắc thay vì một cuộc di chuyển.

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).